TEMA DE CLASE

ESCUELA PROFESIONAL DE
INGENIERÍA QUÍMICA

CURSO:MATEMÁTICA III
DOCENTE:VICTORIA YSABEL ROJAS ROJAS
10 de abril de 2023 SEMESTRE
ACADÉMICO 2023 A
➢ Espacios generado.
➢ Linealidad.
➢ Bases y dimensiones.
 Combinación lineal
Sea 𝑣Ԧ1 , 𝑣Ԧ2 , … , 𝑣Ԧ𝑛 un conjunto de vectores no nulos, pertenecientes al 𝐾 espacio vectorial 𝕍.

Diremos que el vector 𝑣Ԧ ∈ 𝕍 es combinación lineal de 𝑣Ԧ1 , 𝑣Ԧ2 , … , 𝑣Ԧ𝑛 si el vector 𝑣Ԧ

se puede expresar del siguiente modo:

𝒗 = 𝜶 𝟏 𝒗𝟏 + 𝜶 𝟐 𝒗𝟐 + ⋯ + 𝜶 𝒏 𝒗 𝒏 Donde 𝛼1 , 𝛼2 , … , 𝛼𝑛 ∈ 𝐾.
 Ejemplos

Escriba cada una de las siguientes expresiones como combinación lineal de los vectores

𝑢 = 𝑥 + 1; 𝑣Ԧ = 𝑥 2 + 𝑥; 𝑤 = 𝑥 2 + 2

a) 𝑥 2 + 3𝑥 + 2
b) 2𝑥 2 − 3𝑥 + 1
c) 𝑥 2 +1
d) x
 Ejemplos

¿Cuales de las siguientes funciones pertenecen a ℒ 𝑐𝑜𝑠 2 𝑥, 𝑠𝑒𝑛2 𝑥 ? (Trabajar en ℱ 0, 𝜋 )

a) cos(2𝑥)
b) 1
c) 𝑥 2
d) 𝑥 2 + 1
 Conjunto generador de un espacio vectorial
Se dice que un conjunto de vectores 𝑣Ԧ1 , 𝑣Ԧ2 , … , 𝑣Ԧ𝑛 de un 𝐾 espacio vectorial 𝕍; generan a 𝕍,
si todo vector 𝑣Ԧ ∈ 𝕍 se puede expresar como combinación lineal de ellos.

Dicho de otra manera; v1 , v2 , … , vn es un conjunto generador de 𝕍, si para todo vector 𝑣Ԧ ∈ 𝕍

existen escalares 𝛼1 , 𝛼2 , … , 𝛼𝑛 tales que:

𝒗 = 𝜶 𝟏 𝒗 𝟏 + 𝜶 𝟐 𝒗𝟐 + ⋯ + 𝜶 𝒏 𝒗𝒏
 Espacio generado por un conjunto de vectores

Sea 𝑣1 , 𝑣2 , … . , 𝑣𝑛 vectores de un espacio vectorial 𝕍, definimos:

𝓛 𝒗 𝟏 , 𝒗 𝟐 , … , 𝒗 𝒏 = 𝒗 ∈ 𝕍Τ 𝒗 = 𝜶 𝟏 𝒗 𝟏 + 𝜶 𝟐 𝒗 𝟐 + ⋯ + 𝜶 𝒏 𝒗 𝒏

Se lee:

“ El espacio generado por 𝑣Ԧ1 , 𝑣Ԧ2 , … , 𝑣Ԧ𝑛 es el conjunto de combinaciones lineales de 𝑣1 , 𝑣2 , … . , 𝑣𝑛 “

 Ejemplos

➢ Hallar el espacio generado por los vectores 𝑢1 = 1,1,0 y 𝑢2 = 1,0,1

➢ Demostrar que los vectores 𝑢1 = 1,1,0 y 𝑢2 = 1,0,1 generan el mismo subespacio de ℝ3

que los vectores 𝑣1 = 3,2,1 y 𝑣2 = 1, −1,2

➢ Si 𝑢, 𝑣Ԧ ∈ 𝑅2 son dos elementos no nulos tales que 𝑢 ≠ 𝜆𝑣;

Ԧ ∀𝜆 ∈ 𝑅. Probar que 𝑅2 = ℒ 𝑢, 𝑣Ԧ
 Independencia lineal
Sean 𝑣1 ; 𝑣2 ; … ; 𝑣𝑛 , 𝑛 vectores de un 𝐾espacio vectorial 𝕍.

Diremos que los vectores 𝑣1 ; 𝑣2 ; … ; 𝑣𝑛 son; Linealmente dependientes, si existen 𝑛 escalares

𝛼1 ; 𝛼2 ; … ; 𝛼𝑛 no todos ceros, tales que:

𝜶 𝟏 𝒗𝟏 + 𝜶 𝟐 𝒗𝟐 + ⋯ + 𝜶 𝒏 𝒗𝒏 = 𝜽

Si los vectores no son linealmente dependientes, se dice que son linealmente

independientes.

❖ Los vectores 𝑣1 ; 𝑣2 ; … ; 𝑣𝑛 son linealmente independientes ( 𝑙. 𝑖 ) si:

𝜶 𝟏 𝒗𝟏 + 𝜶 𝟐 𝒗𝟐 + ⋯ + 𝜶 𝒏 𝒗𝒏 = 𝜽 ⇒ 𝜶 𝟏 = 𝜶 𝟐 = ⋯ = 𝜶 𝒏 = 𝟎
 Ejemplos

¿Averiguar si los vectores 𝑣1 = 3; −8 y 𝑣2 = −2; 3 son l.i o l.d?

 Interpretación Geométrica
➢ En el espacio vectorial ℝ2

𝑣Ԧ1 , 𝑣Ԧ2 son: 𝑙. 𝑑. ⇔ 𝑣Ԧ1 ∥ 𝑣Ԧ2

𝑣1 ; 𝑣2 son 𝑙. 𝑖. ⟺ 𝑣1 ∦ 𝑣2
 Interpretación Geométrica
➢ En el espacio vectorial ℝ3

𝑣Ԧ1 , 𝑣Ԧ2 son: 𝑙. 𝑑. ⇔ 𝑦𝑎𝑐𝑒𝑛 𝑒𝑛 𝑙𝑎 𝑚𝑖𝑠𝑚𝑎 𝑟𝑒𝑐𝑡𝑎 𝑞𝑢𝑒 𝑝𝑎𝑠𝑎 𝑝𝑜𝑟 𝑒𝑙 𝑜𝑟𝑖𝑔𝑒𝑛.

𝑣Ԧ1 , 𝑣Ԧ2 , 𝑣Ԧ3 son: 𝑙. 𝑑. ⇔ 𝑦𝑎𝑐𝑒𝑛 𝑒𝑛 𝑙𝑎 𝑚𝑖𝑠𝑚𝑎 𝑝𝑙𝑎𝑛𝑜 𝑞𝑢𝑒 𝑝𝑎𝑠𝑎 𝑝𝑜𝑟 𝑒𝑙 𝑜𝑟𝑖𝑔𝑒𝑛.
 Ejemplos

➢ 𝑒1 = 1,0 ; 𝑒2 = 0,1 es un conjunto 𝑙. 𝑖. en el 𝑒. 𝑣. 𝑅2

➢ 𝑒1 = 1,0,0 ; 𝑒2 = 0,1,0 ; 𝑒3 = 0,0,1 es un conjunto 𝑙. 𝑖. en el 𝑒. 𝑣. 𝑅3

➢ 𝑒1 = 1,0, … , 0 ; 𝑒2 = 0,1, … , 0 ; … ; 𝑒𝑛 = 0, … , 0,1 es un conjunto 𝑙. 𝑖. en el 𝑒. 𝑣. 𝑅𝑛

➢ 𝑥 2 + 1; 𝑥 + 1; 𝑥 es un conjunto 𝑙. 𝑖. en el 𝑒. 𝑣. 𝕍 = 𝑃2

−1 0 1 −1 0 −1
➢ ; ; es un conjunto 𝑙. 𝑑. en el 𝑒. 𝑣. 𝕍 = 𝑀2𝑥2
0 −1 −1 1 −1 0

➢ 𝑠𝑒𝑛2 𝑥, 𝑐𝑜𝑠 2 𝑥 es un conjunto 𝑙. 𝑖. en el 𝑒. 𝑣. 𝑉 = ℱ 0,2𝜋

 Bases y dimensiones
Sea 𝕍- un 𝐾 espacio vectorial y 𝒮 = 𝑣1 ; 𝑣2 ; … ; 𝑣𝑛 un subconjunto de 𝕍.

Diremos que el conjunto de vectores 𝒮 = 𝑣1 ; 𝑣2 ; … ; 𝑣𝑛 es una base del espacio

vectorial 𝕍, si:

𝒮 = 𝑣1 ; 𝑣2 ; … ; 𝑣𝑛 es linealmente independiente.

𝑣1 ; 𝑣𝑛 ; … ; 𝑣𝑛 genera 𝕍. Esto es 𝕍 = ℒ 𝒮

Ejemplos: Bases canónicas de:

𝑅3 es 𝒮 = 1,0,0 ; 0,1,0 ; (0,0,1)
𝑅𝑛 es 𝒮 = 1,0,0, … . . 0 ; 0,1,0, … .0 ; … … 0,0, … .1, … 0 ; … … . . (0, … . . , 0,1)
𝑒1 𝑒2 𝑒𝑖 𝑒𝑛
𝒫3 es 𝒮 = 1, 𝑥, 𝑥 2 , 𝑥 3

𝒫𝑛 es 𝒮 = 1, 𝑥, 𝑥 2 , … … . 𝑥 𝑛
 Ejemplo

Dado 𝕎 = 𝑥1 ; 𝑥2 ; 𝑥3 ; 𝑥4 ∈ ℝ4 Τ𝑥1 + 𝑥2 = 𝑥3 + 𝑥4 , hallar una base de 𝕎.

Solución:
[1] En primer lugar, de la ecuación 𝑥1 + 𝑥2 = 𝑥3 + 𝑥4 despejar una de sus variables:
𝑥4 = 𝑥1 + 𝑥2 − 𝑥3

[2] En segundo lugar, reemplazar 𝑥4 en el vector 𝑥1 ; 𝑥2 ; 𝑥3 ; 𝑥4

𝑥1 ; 𝑥2 ; 𝑥3 ; 𝑥4 = 𝑥1 ; 𝑥2 ; 𝑥3 ; 𝑥1 + 𝑥2 − 𝑥3

[3] Descomponer:
𝑥1 ; 𝑥2 ; 𝑥3 ; 𝑥1 + 𝑥2 − 𝑥3 = 𝑥1 1; 0; 0; 1 + 𝑥2 0; 1; 0; 1 + 𝑥3 0; 0; 1; −1

[4] Luego, el conjunto de vectores

1; 0; 0; 1 ; 0; 1; 0; 1 , 0; 0; 1; −1

es una base de 𝕎.
 Teorema

Si 𝑣1 ; 𝑣2 ; … ; 𝑣𝑛 es una base de 𝕍 y 𝑣Ԧ ∈ 𝕍, entonces existe un conjunto único de escalares

𝛼1 ; 𝛼2 ; … ; 𝛼𝑛 tales que

𝑣Ԧ = 𝛼1 𝑣1 + 𝛼2 𝑣2 + ⋯ + 𝛼𝑛 𝑣𝑛
Demostración
Supongamos que se puede escribir de dos maneras como una combinación lineal

𝑣Ԧ = 𝛼1 𝑣1 + 𝛼2 𝑣2 + ⋯ + 𝛼𝑛 𝑣𝑛 = 𝛽1 𝑣1 + 𝛽2 𝑣2 + ⋯ + 𝛽𝑛 𝑣𝑛

(𝛼1 − 𝛽1 )𝑣1 + (𝛼2 −𝛽2 )𝑣2 + ⋯ + (𝛼𝑛 −𝛽𝑛 )𝑣𝑛 = 𝜃, Como 𝑣1 ; 𝑣2 ; … ; 𝑣𝑛 son 𝑙. 𝑖.

𝛼𝑖 − 𝛽𝑖 = 0 ⇔ 𝛼𝑖 = 𝛽𝑖 ; ∀𝑖 = 1, … . 𝑛
 Teorema

Si 𝑣1 ; 𝑣2 ; … ; 𝑣𝑛 y 𝑢1 ; 𝑢2 ; … ; 𝑢𝑚 son bases del espacio vectorial 𝕍, entonces 𝑛 = 𝑚.

Demostración
Sean 𝑆1 = 𝑢1 ; 𝑢2 ; … ; 𝑢𝑚 𝑦 𝑆2 = 𝑣1 ; 𝑣2 ; … ; 𝑣𝑛 dos bases del espacio vectorial 𝕍
Si 𝒎 > 𝒏 ⇒ S1 es linealmente dependiente
Como 𝑆2 = 𝑣1 ; 𝑣2 ; … ; 𝑣𝑛 es una base, 𝑢𝑖 se puede expresar de manera única como combinación lineal
de la base
𝑢1 = 𝑎11 𝑣1 + 𝑎12 𝑣2 + ⋯ 𝑎1𝑛 𝑣𝑛
𝑢2 = 𝑎21 𝑣1 + 𝑎22 𝑣2 + ⋯ 𝑎2𝑛 𝑣𝑛
⋮
𝑢𝑚 = 𝑎𝑚1 𝑣1 + 𝑎𝑚2 𝑣2 + ⋯ 𝑎𝑚𝑛 𝑣𝑛

Como S1 es linealmente dependiente, existen escalares no nulos 𝑐1 , 𝑐2 , … , 𝑐𝑚 no todos ceros, tales que

𝑐1 𝑢1 + 𝑐2 𝑢2 + ⋯ + 𝑐𝑚 𝑢𝑚 = 𝜃Ԧ
 𝑐1 𝑢1 + 𝑐2 𝑢2 + ⋯ + 𝑐𝑚 𝑢𝑚 = 𝜃Ԧ

𝑐1 𝑎11 𝑣1 + 𝑎12 𝑣2 + ⋯ 𝑎1𝑛 𝑣𝑛 + 𝑐2 𝑎21𝑣1 + 𝑎22 𝑣2 + ⋯ 𝑎2𝑛 𝑣𝑛 + ⋯ + 𝑐𝑚 𝑎𝑚1 𝑣1 + 𝑎𝑚2 𝑣2 + ⋯ 𝑎𝑚𝑛 𝑣𝑛 = 𝜃Ԧ

(𝑎11 𝑐1 + 𝑎21 𝑐2 + 𝑎𝑚1 𝑐𝑚 )𝑣1 + (𝑎12 𝑐1 + 𝑎22 𝑐2 + 𝑎𝑚2 𝑐𝑚 )𝑣2 + ⋯ (𝑎1𝑛 𝑐1 + 𝑎2𝑛 𝑐2 + 𝑎𝑚𝑛 𝑐𝑚 )𝑣𝑛 = 𝜃Ԧ

c𝑜𝑚𝑜 𝑣1 ; 𝑣2 ; … ; 𝑣𝑛 es l.i.
𝑎11 𝑐1 + 𝑎21 𝑐2 + 𝑎𝑚1 𝑐𝑚 = 0
𝑎12 𝑐1 + 𝑎22 𝑐2 + 𝑎𝑚2 𝑐𝑚 = 0
⋮
𝑎1𝑛 𝑐1 + 𝑎2𝑛 𝑐2 + 𝑎𝑚𝑛 𝑐𝑚 = 0

Es un sistema homogéneo de 𝑛 ecuaciones con 𝑚 𝑖𝑛𝑐𝑜𝑔𝑛𝑖𝑡𝑎𝑠 𝑐1 , 𝑐2 , … , 𝑐𝑚 . Como 𝑚 > 𝑛 el sistema

tendrá infinitas soluciones, de tal manera que los 𝑐1 , 𝑐2 , … , 𝑐𝑚 no todos son, por tanto 𝑆1 es un
conjunto linealmente dependiente (⟶⟵); por tanto 𝑚 ≤ 𝑛.
De forma similar se verifica que 𝑚 ≥ 𝑛
por tanto, 𝑚 = 𝑛.
“Este teorema nos dice que dos bases cualesquiera de un espacio
vectorial 𝕍 contienen el mismo número de vectores”
 DIMENSIÓN

Si el espacio vectorial es 𝕍 = 𝜃Ԧ entonces 𝑑𝑖𝑚 𝕍 = 0.

➢ Si el espacio vectorial 𝕍 tiene una base finita con 𝑛 vectores entonces 𝑑𝑖𝑚 𝕍 = 𝑛. En
este caso se dice que 𝕍 es un espacio vectorial de dimensión finita
➢ Si 𝕍 está generado por una base infinita, entonces 𝑑𝑖𝑚 𝕍 = ∞. En este caso, diremos
que 𝕍 es un espacio vectorial de dimensión infinita.

Ejemplos

1.- 𝑅𝑛 , 𝑃𝑛 𝑥 , ℳ𝑛𝑥𝑚
Teorema Supóngase que 𝑑𝑖𝑚 𝕍 = 𝑛. Si 𝑢1 ; 𝑢2 ; … ; 𝑢𝑚 es un conjunto de 𝑚 vectores
linealmente independientes en 𝕍, entonces 𝑚 ≤ 𝑛.

Demostración

Si 𝑣1 ; 𝑣2 ; … ; 𝑣𝑛 base del espacio vectorial 𝕍. Si 𝑚 > 𝑛,

Se puede determinar constantes 𝑐1 𝑐2 , … , 𝑐𝑚 , no todos ceros tales que
𝑐1 𝑢1 + 𝑐2 𝑢2 + ⋯ + 𝑐𝑚 𝑢𝑚 = 𝜃Ԧ
(⟶⟵) la linealidad de los vectores 𝑢𝑖 , por tanto, 𝑚 ≤ 𝑛

Nota
Este teorema nos dice que: la base de un espacio vectorial tiene el máximo número de vectores
linealmente independientes, siempre que la dimensión sea finita.
 Teorema

Sea 𝕎 un subespacio del espacio vectorial 𝕍 de dimensión finita. Entonces 𝕎 es de dimensión

finita y 𝑑𝑖𝑚 𝕎 ≤ 𝑑𝑖𝑚 𝕍 .

Demostración
Sea 𝑑𝑖𝑚𝕍 = 𝑛.
Cualquier conjunto de vectores linealmente independientes de 𝕎, es l.i. en 𝕍, 𝑚 < 𝑛
Si 𝕎 = 𝜃 ⇒ 𝑑𝑖𝑚𝕎 = 0 < 𝑛

Si 𝕎 ≠ 𝜃 ⇒ sea 𝑣Ԧ1 ≠ 𝜃Ԧ un vector de 𝕎 ⇒ 𝕎1 = ℒ 𝑣Ԧ1 . Si 𝕎1 =𝕎 ⇒ 𝑑𝑖𝑚𝕎 = 1. (fin de la demo.)

De lo contrario, elija 𝑣Ԧ2 ∈ 𝕎 tal que 𝑣Ԧ2 ∉ 𝕎1 y sea 𝕎2 = ℒ 𝑣Ԧ1 , 𝑣Ԧ2 y así sucesivamente.
Continuamos hasta encontrar vectores l.i. 𝑣1 ; 𝑣2 ; … ; 𝑣𝑘 tal que 𝕎= ℒ 𝑣1 ; 𝑣2 ; … ; 𝑣𝑘

El proceso terminamos porque se puede determinar a lo mas 𝑛 vectores l.i. en 𝕎

Ejemplo

Sea 𝒫[0,1] polinomios definidos en el intervalo [0,1], entonces 𝒫 0,1 ⊂ 𝐶 0,1 .

Si la dimensión de 𝐶 0,1 fuera finita, entonces 𝒫[0,1] también tendría dimensión finita.
Pero no es asi. Por tanto 𝐶 0,1 tiene dimensión infinita.

Como 𝒫 0,1 ⊂ 𝐶 1 0,1 , (ya que todo polinomio es diferenciable), también se tiene que la
dimensión de 𝐶 1 0,1 , es infinita.

Cualquier espacio vectorial que contiene un subespacio

de dimensión infinita es de dimensión infinita
Ejemplo Determinar todos los sub espacios de 𝑅3 ,

dim 𝑅3 = 3

Luego los sub espacios de 𝑅3 son:

1. − 𝕎 = 0,0,0 ⇒ 𝑑𝑖𝑚𝕎 = 0 < 3 = dim 𝑅3

2. − 𝕎 = 𝑢 = 𝑥, 𝑦, 𝑥 ∈ 𝑅3 ; 𝑢 = 𝛼 𝑎, 𝑏, 𝑐 , 𝛼 ∈ 𝑅 ⇒ 𝑑𝑖𝑚𝕎 = 1 < 3 = dim 𝑅 3

2. − 𝕎 = 𝑢 = 𝑥, 𝑦, 𝑥 ∈ 𝑅3 ; 𝑢 = 𝛼 𝑎, 𝑏, 𝑐 + 𝛽 𝑑, 𝑒, 𝑓 , 𝛼, 𝛽 ∈ 𝑅 ⇒ 𝑑𝑖𝑚𝕎 = 2 < 3 = dim 𝑅3

Teorema Si 𝑣1 ; 𝑣2 ; … ; 𝑣𝑛 es un conjunto de vectores linealmente independientes en un
espacio vectorial 𝕍 y 𝑑𝑖𝑚 𝕍 = 𝑛, entonces 𝑣1 ; 𝑣2 ; … ; 𝑣𝑛 es una base de 𝕍.

Teorema Si 𝕎1 y 𝕎2 son dos subespacios de 𝕍 y la dimensión de 𝕍 es finita,

entonces

𝑑𝑖𝑚 𝕎1 + 𝕎2 = 𝑑𝑖𝑚 𝕎1 + 𝑑𝑖𝑚 𝕎2 − 𝑑𝑖𝑚 𝕎1 ∩ 𝕎2

Teorema Sea 𝕎 un subespacio del espacio vectorial 𝕍 de dimensión finita. Entonces 𝕎 es
de dimensión finita y 𝑑𝑖𝑚 𝕎 ≤ 𝑑𝑖𝑚 𝕍 .

Si 𝑣1 ; 𝑣2 ; … ; 𝑣𝑛 es un conjunto de vectores linealmente independientes en un

Teorema espacio vectorial 𝕍 y 𝑑𝑖𝑚 𝕍 = 𝑛, entonces 𝑣1 ; 𝑣2 ; … ; 𝑣𝑛 es una base de 𝕍.

Teorema Si 𝕎1 y 𝕎2 son dos subespacios de 𝕍 y la dimensión de 𝕍 es finita,

entonces

𝑑𝑖𝑚 𝕎1 + 𝕎2 = 𝑑𝑖𝑚 𝕎1 + 𝑑𝑖𝑚 𝕎2 − 𝑑𝑖𝑚 𝕎1 ∩ 𝕎2

 Ejemplo

Dados los subespacios vectoriales, 𝕎1 = 𝑥, 𝑦, 𝑧 ∈ 𝑅3 ; 𝑧 = 0 y 𝕎2 = 𝑥, 𝑦, 𝑧 ∈ 𝑅3 ; 𝑥 = 0 , de

𝑅3 , notar que 𝑅3 = 𝕎1 + 𝕎2

dim 𝕎1 + 𝕎2 = 3

Asimismo:
➢ 𝕎1 ∩ 𝕎2 = 𝑡 0,1,0 ; 𝑡 ∈ 𝑅 ⇒ 𝑑𝑖𝑚 𝕎1 ∩ 𝕎2 = 1
➢ dim 𝕎1 = 2
➢ dim 𝕎2 = 2

Por tanto:
dim 𝕎1 + 𝕎2 = 3 = 2 + 2 − 1

𝑑𝑖𝑚 𝕎1 + 𝕎2 = 𝑑𝑖𝑚 𝕎1 + 𝑑𝑖𝑚 𝕎2 − 𝑑𝑖𝑚 𝕎1 ∩ 𝕎2

 Ejemplo

Demostrar que los siguiente conjuntos:

➢ 1 + 𝑥, 𝑥 2 + 𝑥, 𝑥 2 + 𝑥 3 , 𝑥 3 ; es base del 𝑒. 𝑣. 𝑃3

➢ 1,1,0 , 1,0,1 0,1,1 ; es base del 𝑒. 𝑣. 𝑅3

➢ 𝑒1 = 1,0, … , 0 ; 𝑒2 = 0,1, … , 0 ; … ; 𝑒𝑛 = 0, … , 0,1 es. llamado la base canónica de 𝑅𝑛

 Ejemplo

Sea 𝐴 = 𝑎𝑖𝑗 matriz invertible con elementos en el cuerpo 𝐾.

𝑛𝑥𝑛
Sea 𝑆 = 𝐴1 ; 𝐴2 ; … ; 𝐴𝑛 /𝐴𝑖 𝑒𝑠 𝑙𝑎 𝑖 − é𝑠𝑖𝑚𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑐𝑜𝑙𝑢𝑚𝑛𝑎 𝑑𝑒 𝐴
Afirmación: 𝑆 es una base del espacio de las matrices columnas de 𝐾 𝑛𝑥1
En efecto:

𝑥11 𝑎11 𝑎12 … 𝑎1𝑛 𝑥11 𝑎11 𝑥11 + 𝑎12 𝑥21 + ⋯ + 𝑎1𝑛 𝑥𝑛1
𝑥
Sea: 𝑋 = 21 ∈ 𝐾 𝑛𝑥1 𝑎 𝑎22 … 𝑎2𝑛 𝑥21 𝑎21 𝑥11 + 𝑎22 𝑥21 + ⋯ + 𝑎2𝑛 𝑥𝑛1
⋮ 𝐴𝑋 = 21 … =
⋮ ⋮ ⋮ ⋮ ⋮
𝑥𝑛1 𝑎𝑛1 𝑎𝑛2 … 𝑎𝑛𝑛 𝑥𝑛1 𝑎𝑛1 𝑥11 + 𝑎𝑛2 𝑥21 + ⋯ + 𝑎𝑛𝑛 𝑥𝑛1

𝑎11 𝑎12 𝑎1𝑛

𝑎21 𝑎 𝑎
𝐴𝑋 = 𝑥11 + 𝑥21 22 + ⋯ + 𝑥𝑛1 2𝑛
⋮ ⋮ ⋮
𝑎𝑛1 𝑎𝑛2 𝑎𝑛𝑛
➢ Veamos la linealidad

𝑎11 𝑥11 + 𝑎12 𝑥21 + ⋯ + 𝑎1𝑛 𝑥𝑛1 0 𝑎11 𝑎12 𝑎1𝑛 0

𝑎21 𝑥11 + 𝑎22 𝑥21 + ⋯ + 𝑎2𝑛 𝑥𝑛1 𝑎21 𝑎 𝑎 0
Si 𝐴𝑋 = 𝜃 =
0 𝑥11 + 𝑥21 22 + ⋯ + 𝑥𝑛1 2𝑛 =
⋮ ⋮ ⋮ ⋮ ⋮ ⋮
𝑎𝑛1 𝑎𝑛2 𝑎𝑛𝑛 0
𝑎𝑛1𝑥11 + 𝑎𝑛2 𝑥21 + ⋯ + 𝑎𝑛𝑛 𝑥𝑛1 0

𝑥11 0
𝑥21 0 𝑋=𝜃 𝐴1 ; 𝐴2 ; … , 𝐴𝑛 es 𝑙. 𝑖
=
⋮ ⋮
𝑥𝑛1 0

➢ ¿Genera a 𝑲𝒏𝒙𝟏 ?

Sea 𝑌 ∈ 𝐾 𝑛𝑥1 . Si 𝑋 = 𝐴−1 𝑌 ⇒ 𝑌 = 𝐴𝑋

es decir; 𝑌 = 𝐴𝑋 = 𝑥11 𝐴1 + 𝑥21 𝐴2 + ⋯ + 𝑥𝑛1 𝐴𝑛

Por tanto 𝐴1 ; 𝐴2 ; … , 𝐴𝑛 , es bases de 𝐾 𝑛𝑥1

 Ejemplo

Dado 𝑊 = 𝑎, 𝑏, 𝑐, 𝑑 ∈ 𝑅4 /3𝑎 + 5𝑐 + 2𝑑 = 0 y 𝑢 = 1,3,1, −4 , 𝑣Ԧ = 2,7,0, −3 ∈ 𝑊,

determine un vector 𝑤 ∈ 𝑊 de manera tal que 𝑢, 𝑣Ԧ 𝑦 𝑤 sea una base de 𝑊
Solución

𝑤 = 𝑎, 𝑏, 𝑐, −3𝑎Τ2 −5𝑐Τ2
𝑤 = 𝑎 1,0,0, − 3Τ2 + 𝑏 0,1,0,0 + c 0,0,1, −5Τ2

Una base de 𝑊, es el conjunto: 1,0,0, − 3Τ2 ; 0,1,0,0 ; 0,0,1, − 5Τ2

Tambien 𝑊 = ℒ 2,0,0, −3 ; 0,2,0,0 ; 0,0,2, −5

Por tanto el vector 𝑤 ∈ 𝑊 de tal manera que forme una base de 𝑊 con los vector 𝑢, 𝑣Ԧ es:

𝑢 = 1,3,1, −4 , 𝑣Ԧ = 2,7,0, −3 , 𝒘 = (𝟐, 𝟎, 𝟎, −𝟑)

 Ejemplo

Hallar dos bases diferentes para el 𝐾 espacio vectorial

𝑈= 𝑥, 𝑦, 𝑧 ∈ 𝑅3 /𝑥 − 3𝑦 + 2𝑧 = 0
 Rango, nulidad, espacio fila (columna) de una matriz
Sea 𝐴 una matriz 𝑚𝑥𝑛 sobre un cuerpo 𝐾 arbitraria:
𝑎11 𝑎12 ⋯ 𝑎1𝑗 ⋯ 𝑎1𝑛
𝑎21 𝑎22 ⋯ 𝑎2𝑗 ⋯ 𝑎2𝑛
⋮ ⋮ ⋱ ⋮
𝐴= 𝑎 𝑎𝑖2 ⋯ 𝑎𝑖𝑗 ⋯ 𝑎𝑖𝑛
𝑖1
⋮ ⋮ ⋱ ⋮
𝑎𝑚1 𝑎𝑚2 ⋯ 𝑎𝑚𝑗 ⋯ 𝑎𝑚𝑛
Las filas de 𝐴,
𝑅1 = 𝑎11 , 𝑎12 , … , 𝑎1𝑛 , … , 𝑅𝑚 = 𝑎𝑚1 , 𝑎𝑚2 , … , 𝑎𝑚𝑛

Pueden verse como vectores en 𝐾 𝑛 y por tanto generan un subespacio de 𝐾 𝑛 llamado el espacio fila de 𝐴 y denotado por
𝑅𝐴
𝑅𝐴 = 𝐸𝑠𝑝𝑎𝑐𝑖𝑜 𝑓𝑖𝑙𝑎 𝑑𝑒 𝐴 = ℒ 𝑅1 , 𝑅2 , … , 𝑅𝑚

Analogamente, las columnas de 𝐴, puede verse como vectores en 𝐾 𝑚 , y por consiguiente generan un subespacio de
𝐾 𝑚 denominado el espacio columna de 𝐴 y denotado por 𝐶𝐴
 Rango de una matriz
Sea 𝐴 una matriz 𝑚𝑥𝑛 arbitraria sobre un cuerpo 𝐾.

El rango por filas de una matriz 𝐴 es igual al número máximo de filas linealmente
independientes o, equivalentemente, a la dimensión del espacio fila de 𝐴 .
Análogamente, el rango por columnas de 𝐴 es igual al número máximo de columnas
linealmente independiente o, equivalente, a la dimensión del espacio columna de 𝐴

Teorema Los rangos por filas y por columnas de cualquier matriz 𝐴 son iguales.

El rango de la matriz 𝐴, denotada 𝜌(𝐴) es el valor común de su rango por filas

y su rango por columnas

El 𝜌(𝐴) puede calcularse fácilmente usando reducción por filas

 Ejemplo

Determinar una base y la dimensión de filas de la matriz

1 2 0 −1
𝐴= 2 6 −3 −3
3 10 −6 −5

Mediante operaciones elementales se reduce la matriz 𝐴 a:

1 2 0 −1 1 2 0 −1
𝐴~ 0 2 −3 −1 ~ 0 2 −3 −1 𝜌 𝐴 =2
0 4 −6 −2 0 0 0 0
Gracias por su
atención